Geometrische brownsche Bewegung
Die geometrische brownsche Bewegung ist ein stochastischer Prozess, der sich vom Wiener-Prozess (auch brownsche Bewegung genannt) ableitet. Sie findet vor allem in der Finanzmathematik Verwendung.
Definition
Sei <math>W_t</math> eine Standard-brownsche-Bewegung, d. h. ein Wiener-Prozess. So ist
- <math>S_t = a \exp\left[\left(\mu - \frac{\sigma^2}{2}\right) t + \sigma W_t \right]</math>
eine geometrische brownsche Bewegung.
Herleitung
Die geometrische brownsche Bewegung ist die Lösung der stochastischen Differentialgleichung
- <math>\mathrm{d}S_t = \mu S_t \, \mathrm{d}t + \sigma S_t \,\mathrm{d}W_t, \quad t\ge0, \quad S_0=a </math>
Der Parameter <math>\mu</math> heißt dabei Drift und beschreibt die deterministische Tendenz des Prozesses. Ist <math> \mu > 0</math>, so wächst der Wert von <math>S</math> in Erwartung, ist er negativ, fällt <math>S</math> tendenziell. Für <math> \mu = 0</math> ist <math>S</math> ein Martingal.
Der Parameter <math>\sigma</math> beschreibt die Volatilität und steuert den Einfluss des Zufalls auf den Prozess <math>S</math>. Ist <math> \sigma = 0</math>, so verschwindet der Diffusionsterm in der obigen Differentialgleichung, übrig bleibt die gewöhnliche Differentialgleichung
- <math>\mathrm{d}S(t)=\mu \, S(t) \, \mathrm{d}t, \; S(0)=a</math>,
die die Exponentialfunktion <math> S(t)=a e^{\mu t} </math> als Lösung besitzt. Deshalb kann man die geometrische brownsche Bewegung als stochastisches Pendant zur Exponentialfunktion auffassen.
Die stochastische Differentialgleichung der geometrischen brownschen Bewegung kann mit dem Exponentialansatz <math>S_t = e^{X_t}</math> gelöst werden. Mit Hilfe der Itō-Formel ergibt sich für <math>X_t = \ln(S_t)</math>:
- <math>
\begin{align} \mathrm{d}X_t & = \left( \mu S_t \frac{\partial X_t}{\partial S_t} + \frac{1}{2} (\sigma S_t)^2 \frac{\partial^2 X_t}{\partial S_t^2} \right) \mathrm{d}t &&+ \sigma S_t \frac{\partial X_t}{\partial S_t} \mathrm{d}W_t \\ &= \left( \mu S_t \frac{1}{S_t} - \frac{1}{2} (\sigma S_t)^2 \frac{1}{S_t^2} \right) \mathrm{d}t &&+ \sigma S_t \frac{1}{S_t} \mathrm{d}W_t \\ &= \left( \mu - \frac{\sigma^2}{2} \right) \mathrm{d}t &&+ \sigma \mathrm{d}W_t \end{align} </math>
Es ergibt sich also
- <math>\mathrm{d}X_t = \left(\mu - \frac{\sigma^2}{2}\right) \mathrm{d}t + \sigma \mathrm{d}W_t\,,</math>
und folglich nach Integration
- <math>\ln(S_t) = \ln(S_0) + \left(\mu - \frac{\sigma^2}{2}\right)t + \sigma W_t\,.</math>
Anschließende Exponentiation ergibt die in der Definition angegebene Formel.
Eine andere Möglichkeit, die Lösung zu bestimmen, ist die Verwendung des stochastischen Exponentials: Mit <math>Z_t = \mu t + \sigma W_t</math> gilt <math>S_t = \mathcal{E}(Z)_t</math>.
Eigenschaften
- Erwartungswert: für alle <math> t \ge 0 </math> gilt: <math> \mathbb{E}(S_t)=a \mathrm{e}^{\mu t} </math>
- Kovarianz: Für alle <math> s,t \ge 0 </math> gilt: <math>\mathrm{Cov}(S_s,S_t)=a^2 \mathrm{e}^{\mu (t+s)}(\mathrm{e}^{\sigma^2 \min(t,s)}-1) </math>
- Insbesondere gilt also <math>\mathrm{Var}(S_t)=a^2 \mathrm{e}^{2\mu t}(\mathrm{e}^{\sigma^2 t}-1) </math>.
- Die geometrische brownsche Bewegung hat unabhängige multiplikative Zuwächse, d. h., für alle <math> 0\le t_1 \le t_2\le \ldots \le t_n </math> sind
- <math> S_{t_1},\frac{S_{t_2}}{S_{t_1}}, \ldots ,\frac{S_{t_n}}{S_{t_{n-1}}} </math> unabhängig.
- Verteilungsfunktion: <math> \tfrac{S_t}{a} </math> ist logarithmisch normalverteilt mit Parametern <math> (\mu-\tfrac12 \sigma^2)t </math> und <math> \sigma^2t </math>.
Anwendung
Im Black-Scholes-Modell, dem einfachsten und am weitesten verbreiteten (zeitstetigen) finanzmathematischen Modell zur Bewertung von Optionen, wird die geometrische brownsche Bewegung als Näherung für den Preisprozess eines Basiswertes (zum Beispiel einer Aktie) herangezogen. Dazu führte die vereinfachende Annahme, dass die prozentuale Rendite über disjunkte Zeitintervalle unabhängig und normalverteilt ist. µ spielt hier die Rolle des risikofreien Zinssatzes, σ repräsentiert das Schwankungsrisiko an der Börse. Die oben erwähnte Martingaleigenschaft spielt hier eine zentrale Rolle.
Literatur
- Thorsten Imkamp, Sabrina Proß: Einstieg in stochastische Prozesse, Springer 2023, ISBN 978-3-662-66669-2
- Bernt Øksendal: Stochastic Differential Equations: An Introduction with Applications. Springer, 2003, ISBN 3-540-04758-1.
- Steven E. Shreve: Stochastic Calculus for Finance II: Continuous-Time Models. Springer, 2004, ISBN 0-387-40101-6.
Weblinks
|X|x= |0|-= |S|s= – Sammlung von Bildern |1|= – Sammlung von Bildern{{#if:
| {{#switch: {{#invoke:TemplUtl|faculty|1}}/{{#invoke:TemplUtl|faculty|1}}
|1/= und Videos
|1/1=, Videos und Audiodateien
|/1= und Audiodateien}}
| , Videos und Audiodateien
}}
|#default= – }}{{#if: Brownian motion
| {{#ifeq: {{#invoke:Str|left|brownian motion|9}}
| category:
| FEHLER: Ohne Category: angeben!}}}}